Equipo de Merchandiser
“¿Reglas de ordenación o ranking con IA?” suele preguntarse como si una de las dos opciones tuviera que ganar. En la práctica responden a preguntas distintas, y una tienda de cualquier tamaño tiene colecciones para ambas.
En qué es buena una regla de ordenación
Una regla de ordenación es una fórmula. Toma señales, como las ventas semanales, la tasa de conversión, el stock y los días a la venta, y las convierte en una puntuación. Tú, o alguien en tu nombre, decides qué señales cuentan y cuánto.
Sus puntos fuertes se derivan de eso:
- Es predecible. Puedes leer la regla y saber por qué un producto está donde está.
- Recoge tu política. “Lo más nuevo primero en la categoría de novedades.” “En liquidación, el mayor descuento primero.” Son decisiones, no descubrimientos, y una regla las expresa con exactitud.
- Funciona desde el primer día. Una regla necesita los datos de hoy, no meses de historial.
- Es fácil de defender. Cuando un responsable de marca pregunta por qué se movió un producto, la respuesta cabe en una frase.
Su punto débil es la otra cara de la misma moneda. Una regla solo sabe lo que tú pones en ella. Si la temporada importa más para los abrigos que para los calcetines, la regla no lo descubre. Alguien tiene que darse cuenta y escribir una segunda regla.
En qué es bueno un modelo
Un modelo de aprendizaje automático no recibe los pesos de ti. Los aprende de tus datos: cómo se han relacionado con la demanda en tu tienda el precio, el descuento, el stock, la marca, la categoría, la temporada, el color, la frescura, las visualizaciones, las adiciones al carrito y las ventas. Después predice una puntuación para cada producto.
- Pondera muchas señales a la vez, incluidas combinaciones que nadie escribiría en una fórmula.
- Se adapta. Al volver a entrenarse con datos nuevos recoge los cambios en la demanda sin que nadie edite nada.
- Es específico de la tienda. En Merchandiser cada tienda tiene su propio modelo, entrenado solo con los productos y el rendimiento de esa tienda. Lo que se vende en una tienda de artículos para el hogar no se filtra en el ranking de una tienda de moda.
Los inconvenientes también son reales. Un modelo necesita historial suficiente para aprender, y “¿por qué este producto es el tercero?” tiene una respuesta menos nítida que con una regla.
Dónde encaja cada uno
| Colección | Mejor opción | Por qué |
|---|---|---|
| Novedades | Regla | La política es lo importante: lo más nuevo primero. |
| Liquidación y outlet | Regla | Tú decides qué liquidar: según el descuento, el stock o la antigüedad. |
| Páginas de campaña | Pines más una regla | Los productos de la campaña están decididos; el resto sigue un orden sencillo. |
| Categorías principales grandes | Modelo | Muchos productos, muchas señales, datos de sobra. |
| Una tienda nueva o una categoría con poco tráfico | Regla | Muy poco historial para que un modelo aprenda. |
| Páginas de marca | Cualquiera | Una regla suele bastar; un modelo ayuda cuando la marca es grande. |
El patrón: usa una regla donde sabes lo que quieres y un modelo donde quieres averiguar qué funciona.
Qué tienen en común
Elijas lo que elijas, hay algunas cosas que deben cumplirse.
La disponibilidad debe estar en ambos. Un producto que no se puede comprar no debería estar arriba, por buenas que sean sus cifras. Una regla debería multiplicar la demanda por la disponibilidad de tallas. Merchandiser AI lo hace por diseño: cada predicción se pondera por la proporción de tallas del producto que están en stock. Consulta Productos con tallas rotas para ver por qué importa.
Los pines están por encima de ambos. Un producto fijado conserva su posición con una regla y con el modelo. Tus decisiones no son algo que el orden automático pueda discutir.
Tus prioridades se pueden añadir a un modelo. Un modelo predice la demanda; no conoce tus objetivos de margen ni la temporada que quieres impulsar. En Merchandiser, los productos pueden llevar un impulso que se suma a la estimación del modelo, y así es como las prioridades de negocio entran en una colección clasificada con IA.
Ambos deben previsualizarse. Antes de pasar una colección de uno a otro, mira el orden resultante. En Merchandiser la página de ordenación muestra la vista previa, y nada cambia en la tienda hasta que guardas.
Cómo empezar
- Pon primero todas las colecciones con una regla razonable. Solo con eso desaparece la ordenación manual y te aseguras de que la disponibilidad cuente.
- Deja que se acumulen los datos de rendimiento.
- Pasa al modelo las categorías grandes y concurridas, de una en una, y compara las vistas previas.
- Mantén las reglas donde la política es explícita.
- Revisa la elección cuando la tienda cambie: una categoría nueva empieza con una regla; una que ha crecido puede estar lista para el modelo.
Cómo funciona el modelo de Merchandiser, de qué aprende y qué predice se describe en Merchandiser AI.